[論文レビュー] Shopping in the Multiverse: A Counterfactual Approach to In-Session Attribution

Jacopo Tagliabue, Bingqing Yu|arXiv (Cornell University)|Jul 20, 2020

Peer-to-Peer Network Technologies参考文献 25被引用数 4

ひとこと要約

本稿では、prod2vec埋め込み空間上の生成的ブラウジングモデルを用いて代替ショッパーのタイムラインをモデル化することで、eコマースにおけるインクリエーション検索の因果的・反事後的アトリビューションを提案する。このマルチユニバースベースの手法（MV）は、ルールベース（GA）、予測ベース（SS）、ヒューリスティック手法（CB）を上回り、業界データセットにおいて75％のアトリビューション精度を達成し、微細なケースにおいて人間の直感と強い整合性を示した。

ABSTRACT

We tackle the challenge of in-session attribution for on-site search engines in eCommerce. We phrase the problem as a causal counterfactual inference, and contrast the approach with rule-based systems from industry settings and prediction models from the multi-touch attribution literature. We approach counterfactuals in analogy with treatments in formal semantics, explicitly modeling possible outcomes through alternative shopper timelines; in particular, we propose to learn a generative browsing model over a target shop, leveraging the latent space induced by prod2vec embeddings; we show how natural language queries can be effectively represented in the same space and how "search intervention" can be performed to assess causal contribution. Finally, we validate the methodology on a synthetic dataset, mimicking important patterns emerged in customer interviews and qualitative analysis, and we present preliminary findings on an industry dataset from a partnering shop.

研究の動機と目的

• ルールベースおよび予測ベースのアトリビューション手法が、コンバージョンに与えるサイト内検索の真の因果的影響を測定するうえでの限界を解消すること。
• インセッションアトリビューションを、検索インタラクションが存在しなかった場合にコンバージョンが発生したかどうかを問う反事後的推論問題としてモデル化すること。
• 密度付き埋め込みと生成的モデリングを活用して代替ショッパーのタイムラインをシミュレートする、実用的で最小限のオーバーヘッドの手法を開発すること。
• 合成データおよび実世界のeコマースデータセットを用いた検証を通じて、因果的関連性における人間の判断との整合性を向上させること。
• 検索にとどまらず、レコメンデーションやカテゴリーブラウジングなどの他のサイト内タッチポイントへも適用可能な汎用フレームワークを提供すること。

提案手法

• 本手法は反事後的推論を用いて因果的アトリビューションをモデル化し、各ショッパーのセッションを、検索インタラクションが仮想的に削除された可能性のある世界として扱う。
• 製品とクエリを同じ高次元の潜在空間に表現するため、prod2vec埋め込みに基づいてトレーニングされた生成的ブラウジングモデルを用いて、代替タイムラインをシミュレートする。
• 自然言語クエリは同じ空間に埋め込まれ、'検索干渉'の摂動を介して一貫した表現と干渉を可能にする。
• 観測済みおよび反事後的タイムラインにおけるコンバージョン確率を計算し、因果的効果を推定する。
• レコメンデーションやカテゴリーリストインなど、複数のタッチポイントを扱うために、マルチユニバースフレームワークをレコメンデーションやカテゴリーリストなどに一般化する。
• 検証には、実際のユーザー行動を模倣した合成データと、提携eコマースサイトの業界データセットを用い、各手法のアトリビューションスコアを比較する。

実験結果

リサーチクエスチョン

• RQ1 サイト内検索がコンバージョンに因果的に寄与する程度は、以前の意図やブラウジング行動とは独立してどの程度高いのか？
• RQ2 eコマースにおける高次元で密度の高いユーザーセッション表現に、反事後的推論を効果的に適用する方法は何か？
• RQ3 代替タイムラインの生成的モデルは、ルールベースまたは予測ベースのシステムと比較して、アトリビューション精度を向上させられるか？
• RQ4 検索とコンバージョンが緩く関連しているような微細なアトリビューションケースにおいて、提案手法は人間の判断とどの程度整合性を示すか？
• RQ5 本手法は、検索にとどまらず、さまざまなeコマースプラットフォームや検索以外のタッチポイントへも一般化可能か？

主な発見

• マルチユニバースベースの手法（MV）は、業界データセットで75％の検索アトリビューションを達成し、ルールベース（GA：100％だが誤解を招く）、因果ベースライン（CB：47％）、類似度ベース（SS：77％）の手法を上回った。
• MVは、たとえばユーザーがすでに商品をカートに追加した後に検索を行った場合など、検索が因果的影響をほとんど持たないケースを正しく同定し、このようなインタラクションを弱く関連があるとマークした。これに対してSSは関連性を過大評価していた。
• 合成データでは、MVは検索がブラウジングを引き起こしたがコンバージョンに至らなかった、あるいはコンバージョンが検索とは独立して発生したなどの、洗練された因果的ダイナミクスを正しく捉えた。
• 本手法は、特に以前の意図と検索の関連性が分離されているケースにおいて、人間の直感と強い定性的整合性を示した。
• 本フレームワークは汎用的かつ拡張可能であり、レコメンデーションやカテゴリーナビゲーションなどの他のサイト内機能への容易な適応が可能である。
• 本研究は、正確な因果的アトリビューションにおいて、潜在的なショッパーの意図との関連性が極めて重要な要因であることを確認した。また、純粋に予測的なモデル（例：SS）は、この微細なニュアンスを捉えられていない。